PERANCANGAN SISTEM APLIKASI PENCATATAN KEHADIRAN SISWA
MENGGUNAKAN PENGENALAN CITRA WAJAH DENGAN NOTIFIKASI SMS DAN
EMAIL
Tri RosantiBinus University, Jakarta, DKI Jakarta, Indonesia
Alexander A S GunawanBinusUniversity, Jakarta, DKI Jakarta,
Indonesia
Afan Galih SalmanBinusUniversity, Jakarta, DKI Jakarta,
Indonesia
Abstract
Recording student attendance is one of the highlights of the
education system, schools are generally still use the system for
recording attendance manually. Attendance manual itself example is
the Calling one by one student on the attendance sheet has been
provided in accordance with the name of each siswa.Masih many
weaknesses in the system of recording attendance manually, among
others, the student can manipulate the data so that the presence of
which will process the data be difficult to determine whether the
student is present in school or not. Besides manual recording
system is also ineffective time and effort. And parents will also
be difficult to check / know the presence of their children this
will have an impact on the confidence of parents to the school. So
that required an attendance application more accurate and
effective.In this final project an Application Record Attendance of
students using automatic face recognition system will be developed,
where the system will record the student is detected and sends the
message was detected in the student trustee. Aplikasiini made in
hopes of reducing and even eliminating the manipulation of student
attendance data and make the system more effective student
attendance and accurate. This is because the face is one of the
unique parts of the human face, the students will be different from
other students face.
Keyword: face recognition, email, webcam, notification, sms, AT
command, automatic attendace
Abstrak
Pencatatan kehadiran siswa merupakan salah satu hal penting dari
suatu sistem pendidikan, sekolah-sekolah pada umumnya masih
menggunakan sistem pencatatan kehadiran siswa secara manual.
Pencatatan kehadiran manual sendiri contohnya adalah dengan
memangil satu persatu siswa pada lembar absensi yang telah
disediakan sesuai dengan nama masing-masing siswa.Masih banyak
kelemahan dalam sistem pencatatan kehadiran secara manual tersebut
antara lain siswa dapat memanipulasi data kehadiran tersebut
sehingga pihak yang akan mengolah data tersebut akan kesulitan
menentukan apakah siswa tersebut memang hadir di sekolah atau
tidak. Selain itu sistem pencatatan manual ini juga tidak efektif
waktu dan usaha. Serta orang tua juga akan kesulitan untuk mengecek
/ mengetahui kehadiran putra-putrinya hal ini akan berdampak pada
kepercayaan orang tua terhadap sekolah. Sehingga diperlukan suatu
aplikasi pencatatan kehadiran yang lebih akurat dan efektif.Dalam
Tugas Akhir ini dikembangkan suatu Aplikasi Pencatatan Kehadiran
siswa menggunakan sistem pengenalan wajah secara otomatis dimana
sistem ini akan mencatat siswa yang terdeteksi dan mengirimkan
pesan terdeteksi pada wali siswa yang bersangkutan. Aplikasiini
dibuat dengan harapan dapat mengurangi bahkan menghilangkan adanya
manipulasi data kehadiran oleh siswa serta membuat sistem
pencatatan kehadiran siswa lebih efektif dan akurat. Hal ini
dikarenakan wajah merupakan salah satu bagian unik dari manusia,
wajah siswa yang satu akan berbeda dengan wajah siswa yang
lain.
Kata kunci: pengenalan wajah, email, webcam, notifikasi, sms, AT
command, absensi otomatis
1. PendahuluanPerkembangan ilmu pengetahuan di segala bidang
dalam era globalisasi saat ini begitu pesat.Terutama dalam bidang
IT yang semakin maju seiring dengan kebutuhan pemakai (user).
Perkembangan ini membuat banyak pekerjaan manusia yang digantikan
oleh computer. Dengan adanya penggantian posisi manusia oleh
komputer ini, pekerjaan dapat diselesaikan dengan biaya lebih murah
dan lebih optimal, namun tetap dapat diandalkan.Perkembangan ilmu
pengetahuan tersebut diharapkan berbanding lurus dengan
perkembangan sumber daya manusia, pendidikan adalah usaha yang
dilakukan untuk mengembangkan potensi generasi muda agar memiliki
kemampuan, keterampilan, sikap dan kepribadian. Untuk tujuan ini
dibutuhkan perhatian dan kerja sama yang terpadu dari semua elemen
masyarakat dunia pendidikan termasuk orang tua dan guru sebagai
elemen yang berhubungan langsung dengan proses pendidikan seorang
anak.Absensi siswa memegang peranan penting dalam setiap proses
kegiatan belajar mengajar.Dimana absensi merupakan salah satu
penunjang yang dapat mendukung atau memotivasi setiap kegiatan yang
dilakukan di dalamnya. Disamping itu, absensi siswa dapat juga
sebagai informasi tentang bagaimana kedisiplinan siswa yang
bersangkutan.Penting adanya bagi orang tua untuk mengetahui
kehadiran putra-putrinya di sekolah secara real time.Selain dapat
mencegah pertumbuhan sikap dan kepribadian yang buruk pada anak
secara dini juga dapat menumbuhkan perasaan tenang dan menambah
kepercayaan orang tua terhadap sekolah.Tugas akhir ini membahas
mengenai perancangan sistem pencatatan kehadiran siswa secara
otomatis dimana sistem akan mengirim pesan notifikasi saat siswa
dikenali. Pada sistem ini digunakan salah satu perkembangan dalam
bidang computer vision yaitu pengenalan citra wajah. Pengenalan
citra wajah atau Face recognition adalah salah satu teknologi
biometric yang telah banyak diaplikasikan dalam sistem keamanan.
Dalam implementasinya, secara umum pengenalan citra wajah dilakukan
menggunakan sebuah webcam untuk menangkap citra wajah seseorang
kemudian citra wajah tersebut dibandingkan dengan citra wajah
sebelumnya yang telah disimpan.
2. PembahasanPengenalan citra wajah atau face recognition adalah
sebuah tugas yang dilakukan oleh manusia secara rutin dan mudah
dalam kehidupan sehari-hari. Secara umum sistem pengenalan citra
wajah dibagi menjadi dua jenis, yaitu sistem feature-based dan
sistem image-based. Pada sistem pertama digunakan ciri yang
diekstraksi dari komponen citra wajah seperti mata, hidung, mulut,
dan lain-lain yang kemudian dimodelkan secara geometris hubungan
antara ciri-ciri tersebut. Sedangkan pada sistem ke dua menggunakan
informasi mentah dari piksel citra yang kemudian direpresentasikan
dalam metode tertentu, misalnya seperti Principal Component
Analysis (PCA) atau transformasi wavelet yang digunakan untuk
klasifikasi identitas citra (Al Fatta, Hanif, 2009).Sistem
pengenalan citra wajah umumnya mencakup empat modul utama (Li &
Jain, 2005, p. 2), yaitu: deteksi, alignment, ekstraksi fitur, dan
pencocokan. Proses lokalisasi dan normalisasi (deteksi wajah dan
alignment) adalah langkah-langkah sebelum proses pengenalan wajah
(ekstraksi fitur wajah dan pencocokan) dilakukan.Deteksi wajah
adalah langkah awal untuk melakukan identifikasi wajah atau face
recognition. Sebuah pendeteksi wajah yang ideal seharusnya mampu
mengidentifikasi dan menemukan lokasi dan luas semua wajah yang ada
di dalam sebuah gambar tanpa memperhatikan pose, skala, orientasi,
umur, dan ekspresi (Li & Jain, 2005, p. 13). Deteksi wajah
melakukan segmentasi area citra wajah dengan bagian latar
(background).Proses alignment bertujuan untuk memperoleh akurasi
yang lebih tinggi untuk lokalisasi dan normalisasi citra wajah
karena deteksi wajah menyediakan estimasi lokasi dan skala dari
setiap citra wajah yang terdeteksi.Setelah sebuah wajah
dinormalisasi, ekstraksi fitur dilakukan untuk mengambil data
efektif yang berguna untuk memisahkan antara citra-citra wajah dan
orang-orang yang berbeda dan cukup stabil untuk variasi geometrik
dan fotometrik. Pencocokan wajah dilakukan dengan cara melakukan
pencocokan fitur yang telah diekstraksi dari citra wajah masukan
dengan kumpulan data training citra wajah yang telah disimpan
sebagai basis data wajah.Principal Component Analysis (PCA) adalah
teknik standar yang digunakan dalam pengenalan pola statistikal dan
pemrosesan sinyal untuk data reduction dan ekstraksi fitur (Eleyan
& Demirel, 2007, p. 94). Kemampuan ekstraksi fitur ini dapat
digunakan untuk melakukan pengenalan wajah. Metode PCA dikenal juga
dengan nama Karhunen-Loeve Transformation (KLT). PCA memberikan
transformasi ortogonal yang disebut juga dengan eigenimage yang di
mana sebuah citra akan direpresentasikan ke dalam bentuk proyeksi
linier searah dengan eigenimage yang bersesuaian dengan nilai Eigen
terbesar dari matriks covariance. Dalam prakteknya, matriks
covariance ini dibangun dari sekumpulan image training yang diambil
dari berbagai objek.Sebuah citra 2D dengan dimensi kolom dan baris
dapat direpresentasikan ke dalam bentuk citra 1D. Dalam penelitian
ini ukuran jumlah kolom dan baris pixel citra adalah sama, sehingga
nantinya akan terbentuk dimensi.
Gambar.1 Contoh citra wajahMisalnya ada sejumlah individu yang
dijadikan sampel. Dari setiap individu diambil citra, sehingga
total citra di dalam training set adalah:
Sejumlahsampel citra dinyatakan sebagai di dalam sebuah ruang
citra -dimensi.Kumpulan citra tersebut dihitung nilai rata-ratanya
yang disebut juga sebagai average face dengan perhitungan
berikut:
Gambar.2 Average face
Kemudian nilai rata-rata dari wajah tersebut dikurangi dengan
setiap vektor wajah
untuk mendapatkan vektor .
Setiap citra wajah dikurangi dengan nilai rata-rata membentuk
kumpulan vektor menggunakan rumus:
Kumpulan vektor yang sangat besar ini kemudian mengikuti pada
aturan PCA, yang mencari sejumlah vektor-vektor ortonormal dan
nilai Eigen yang terbaik dalam menggambarkan distribusi dari data
tersebut.Vektor-vektor dan nilai-nilai adalah vektor-vektor Eigen
dan nilai-nilai Eigen dari matriks covariance
di mana.
Dari matriks (dalam penelitian ini berukuran ), diambil
vektor-vektor Eigen terbaik sebanyak jumlah data. Karena
vektor-vektor Eigen ini memiliki dimensi yang sama dengan dimensi
citra yang asli, maka vektor-vektor ini jika disusun menjadi
matriks berukuran akan membentuk citra yang mirip dengan wajah.
Oleh karena itu, vektor-vektor Eigen ini disebut juga
Eigenfaces.
Ketika sebuah citra wajah harus dikenali, maka dilakukan langkah
berikut:1.
Data citra wajah masukan dinormalisasi dengan rumus .2. Hasil
normalisasi pada langkah pertama diproyeksikan ke dalam ruang Eigen
(kumpulan dari vektor-vektor Eigen) dan dihitung bobotnya. Nilai
hasil normalisasi dapat digambarkan sebagai berikut.
3. Setelah data bobot didapat, perlu dilakukan proses
klasifikasi untuk melakukan perhitungan jarak. Pada penelitian ini,
perhitungan jarak dilakukan dengan menggunakan Euclidean Distance.
Metode ini memiliki perhitungan sebagai berikut.
4. Kemudian dicari nilai terkecil dari kumpulan jarak data citra
wajah masukan dengan data training yang telah disimpan
sebelumnya.
Penggunaan PCA sangat mengurangi kalkulasi yang perlu dilakukan,
dari sejumlah pixel di dalam citra () menjadi sejumlah citra di
dalam training set (). Dalam prakteknya, jumlah citra wajah di
dalam training set biasanya lebih kecil dibandingkan dengan jumlah
pixel di dalam citra (Eleyan & Demirel, 2007, p. 96).
Pendekatan metode PCA untuk pengenalan wajah ditunjukkan pada
Gambar 4.
Gambar.3 Pendekatan PCA untuk pengenalan wajah (Eleyan &
Demirel, 2007, p. 98)
Dengan kata lain metode PCA memproyeksikan ruang asal menjadi
ruang baru yang berdimensi lebih rendah, dengan berpegang bahwa
sebanyak mungkin informasi yang dimiliki dimensi asal dipertahankan
dan tidak terlalu banyak yang hilang setelah diproyeksikan ke ruang
yang baru. Dengan memperkecil dimensi dari sebuah ruang, tentu akan
meringankan proses komputasi yang perlu dilakukan oleh
sistem.Penulis menggunakan fitur yang telah disediakan oleh EmguCV
untuk menerapkan algoritma ini di dalam aplikasi dengan menggunakan
bantuan class bernama HaarCascade sebagai classifier dari
pendeteksian objek. Proses deteksi dan pengenalan citra wajah yang
dipisah menjadi tiga ini membuat waktu proses yang diperlukan oleh
sistem menjadi lebih lama. Hal ini menyebabkan aplikasi tidak dapat
berjalan secara realtime saat melakukan proses deteksi dan
pengenalan citra wajah dengan sumber masukan menggunakan webcam.
Oleh karena itu, pada tahapan ini diterapkan konsep parallel
processing yang disediakan oleh .NET Framework 4. Penggunaan
parallel processing membuat tugas pemrosesan data disebarkan ke
beberapa core di dalam processor (CPU) yang membuat banyak tugas
dapat diselesaikan dengan lebih cepat. Penggunaan parallel
processing ini begantung pada spesifikasi CPU yang
digunakan.Koleksi citra wajah yang digunakan dalam penelitian ini
ditangkap dengan latar belakang tidak terkontrol, sehingga
diharapkan hasil dari penelitian ini mendekati implementasi di
dunia nyata. Hasil pengujian yang didapat dirasa kurang memuaskan,
sistem pengenalan citra wajah berjalan dengan akurat, namun
kecepatan dalam pengenalan dirasa tidak efektif. Untuk masalah ini
penulis menyarankan untuk implementasi dan pengembangan lebih
lanjut untuk dibuatkan prosedur pencatatan kehadiran agar sistem
dapat bekerja dengan efektif dan akurat.Untuk pengiriman notifikasi
SMS penulis menggunakan modem GSM dengan memanfaatkan AT Command.
AT Command adalah suatu metode standar dalam bentuk perintah -
perintah Command yang dapat digunakan oleh komputer untuk
berkomunikasi dengan modem dan peralatan komunikasi lainnya,
misalnya teleponselular/handphone dalam komunikasi dengan serial
port. Dengan AT Command kita dapat mengetahui vendor dari handphone
yang digunakan, kekuatan sinyal, membaca pesan yang ada di SIM
Card, mengirim pesan, mendeteksi pesan SMS yang baru masuk secara
otomatis, menghapus pesan pada SIM Card, dan lain-lain.Beberapa AT
Command yang sering digunakan: AT : untuk test terminal AT+CPIN :
untuk memasukkan PIN SIM jika diperlukan. AT+CMGF : untuk mengganti
format SMS dari PDU ke text dan sebaliknya. AT+CMGR : untuk membaca
SMS. AT+CMGS : untuk mengirim sebuah SMS.
Gambar.4 Cara kerja SMS dengan modem GSM
Untuk mengirim sebuah email dari alamat email yang satu ke
alamat yang lainnya digunakan sebuah protocol (aturan) yaitu Simple
Mail Transfer Protocol (SMTP). Protocol SMTP telah menjadi aturan
dasar yang disepakati untuk pengiriman email. Dengan demikian semua
software email server pasti mendukung protokol ini. SMTP merupakan
protokol yang digunakan untuk mengirim email (komukasi antar mail
server), dan tidak digunakan untuk berkomunikasi dengan client.
Penulis menggunakan STMP server gratis yang banyak di gunakan.
Sehingga biaya penggunaan sistem ini bisa semakin di tekan.
Gambar.5 Cara kerja Email dengan STMPAdapun spesifikasi komputer
yang digunakan penulis dalam melakukan simulasi pada aplikasi
penelitian pengenalan citra wajah dengan variasi pose ini adalah
sebagai berikut:1. Intel Core i5-2430M CPU @ 2.40 Ghz 2.40 Ghz4.
Memory 4 GB DDR35. Webcam logitech6. OS: Microsoft Windows 7 Home7.
IDE: Microsoft Visual Studio 2010 Ultimate8. Library: EmguCV
2.0.50779. Modem GSM Huawei
Pada percobaan ini diambil citra wajah dari sepuluh orang dengan
lama percobaan terhadap sampel adalah 1 menit. Proses percobaan
pertama dilakukan dengan menggunakan nilai threshold sebesar 2000.
Hasil percobaan ditunjukkan pada Tabel.1.
NoSequenceNameTerdeteksiDikenaliRata - rata waktudikenali
(dtk)
13A3316.666667
2B1119
3C2233
4D1125
5E447.5
6F778.1428571
7G5510.8
8H1117
9I1121
10J2223.5
15A1139
2B000
3C3314.33333
4D000
5E000
6F1144
7G3314
8H3311.33333
9I2223
10J3318.66667
17A000
2B000
3C1154
4D000
5E000
6F1158
7G1158
8H1130
9I2223.5
10J000
Tabel 1 Hasil simulasi untuk setiap sampel dengan threshold
2000
Proses percobaan kedua dilakukan dengan menggunakan nilai
threshold sebesar 3000. Hasil percobaan ditunjukkan pada
Tabel.2.
NoSequenceNameTerdeteksiDikenaliRata - rata waktudikenali
(dtk)
13A5510.8
2B559.4
3C559.4
4D3315.666667
5E668.6666667
6F2227
7G5511
8H777.7142857
9I668
10J5218
15A3315
2B339.75
3C3319.66667
4D3318.33333
5E2229
6F1154
7G4413
8H776.571429
9I3315.33333
10J3318.33333
17A2222.5
2B3316.33333
3C1143
4D2226.5
5E4411
6F2219
7G2229.5
8H3317.66667
9I4413
10J2225
Tabel 2 Hasil simulasi untuk setiap sampel dengan threshold
3000
Proses percobaan ketiga dilakukan dengan menggunakan nilai
threshold sebesar 4000. Hasil percobaan ditunjukkan pada
Tabel.3
NoSequenceNameTerdeteksiDikenaliRata - rata waktudikenali
(dtk)
13A4414.75
2B667.8333333
3C3316
4D449.25
5E7511
6F4413.25
7G557.8
8H557.6
9I5510.4
10J556.8
15A000
2B3318.66667
3C3316.66667
4D4411.5
5E559.8
6F4411.25
7G4410.5
8H10105.9
9I2219.5
10J4411
17A3315
2B4412.5
3C2225
4D4414.5
5E668.5
6F5515.66667
7G4410.75
8H778.428571
9I5510.6
10J3315
Tabel 3 Hasil simulasi untuk setiap sampel dengan threshold
4000
Proses percobaan terakhir dilakukan dengan menggunakan nilai
threshold sebesar 5000. Hasil percobaan ditunjukkan pada
Tabel.4
NoSequenceNameTerdeteksiDikenaliRata - rata waktudikenali
(dtk)
13A3318
2B559
3C3318.33333
4D4310.33333
5E669
6F638
7G767.285714
8H887.125
9I5510.4
10J5511.2
15A3314.66667
2B4411.25
3C4414
4D555.6
5E5511.2
6F4410
7G669.666667
8H4414.75
9I428.75
10J527.2
17A3316
2B4411.75
3C3316.66667
4D4410
5E2228
6F5510.4
7G400
8H555.4
9I2223.5
10J4313.5
Tabel 4 Hasil simulasi untuk setiap sampel dengan threshold
5000
Berdasarkan hasil simulasi di atas, maka dapat dihitung
keakuratan sistem dalam mengenali setiap wajah yang terdeteksi
adalah:Persentase ketepatan = Rata-rata waktu dikenali = Sehinga
didapat hasil akhir sebagai berikut:
ThresholdSequence% keakuratanRata - rata kecepatan individu
dikenali (detik)
2000310018.16095
2000510016.43333
2000710022.35
3000393.8812.56476
3000510019.89881
3000710022.35
4000395.8310.46833
4000510011.47833
4000710013.59452
5000390.3810.86774
5000588.6410.70833
5000786.1113.52167
Tabel.5 Hasil percobaan
Kegagalan dalam pengenalan dapat disebabkan oleh beberapa hal
berikut:1. Citra digital yang kurang jelas atau mengalami gangguan
(noise) yang berlebihan.2. Adanya kemiripan antara wajah yang satu
dengan yang lainnya.3. Sudut putaran kepala yang tidak tersedia di
dalam data training.
1. PenutupBerdasarkan hasil analisis terhadap data yang telah
diperoleh pada penelitian ini, maka diambil kesimpulan sebagai
berikut:1. Semakin banyak citra wajah yang digunakan dalam
melakukan training untuk setiap sampel, maka pengenalan akan
semakin baik, tetapi waktu proses untuk training data wajah
meningkat.2. Semakin rendah nilai threshold, kemiripan citra wajah
masukan dengan citra wajah di dalam data training semakin tinggi,
tetapi semakin sulit mengenali (untuk high security).3. Semakin
tinggi nilai threshold, semakin tinggi kemungkinan mengenali citra
wajah masukan dengan citra wajah di dalam data training, tetapi
semakin tinggi kemungkinan kesalahan (untuk visual surveillance).4.
Semakin besar sequence, semakin lama waktu yang diperlukan untuk
mengenali citra wajah, namun keakuratan meningkat.5. Semakin kecil
sequence, semakin cepat waktu yang diperlukan untuk mengenali citra
wajah, namun keakuratan menurun.6. Pasangan variabel threshold dan
sequence yang optimal berdasarkan tabel tersebut adalah threshold
4000 dengan sequence 5.7. Kesalahan dalam melakukan pengenalan
dapat terjadi karena kemiripan antara dua atau lebih sampel yang
berbeda.8. Besarnya sequence yang diberikan, sehingga perlu waktu
untuk melakukan cek terhadap semua data sequence.
Berikut beberapa saran yang diajukan untuk penggunaan ataupun
pengembangan aplikasi ini adalah:1. Untuk implementasi, penelitian
dan pengembangan lebih lanjut diharapkan dibut prosedur cara
absensi terlebih dahulu agar hasil yang dihasilkan lebih cepat dan
akurat.2. Perlu adanya pengembangan dalam pengenalan citra dengan
algoritma yang lebih baik yang mendukung klasifikasi class. 3. Pada
sistem ini belum digunakan sistem database yang terkontrol. Akan
lebih baik jika selanjutnya digunakan sistem database untuk
menyimpan data data yang didapat.
Daftar Pustaka
Viola, Paul and Michael Jones (2001). Rapid object detection
using boosted cascade of simple features. In: Proceedings IEEE
Conf. on Computer Vision and Pattern Recognition, 2001.
Lienhart, Rainer and Jochen Maydt (2002). An extended set of
haar-like features for rapid object detection. In: IEEE ICIP 2002,
Vol.1, pp 900-903.
Anonim. (2011, December 28). Emgu CV Main Page. Retrieved
December 2011, from Emgu CV: OpenCV in .NET (C#, VB, C++ and more):
http://www.emgu.com/wiki/index.php/Main_Page
Bernard, & Surya Liestiawan, B. (2006). Pengenalan Wajah
dengan Menggunakan Metode EigenFaces.
Eleyan, A., & Demirel, H. (2007). PCA and LDA based Neural
Networks for Human Face Recognition. In K. Delac, & M. Grgic,
Face Recognition. Vienna: I-Tech Education and Publishing.
Gupta, P. (2003). Short Message Service (SMS). Edisi Empat.
Yogyakarta: Penerbit Andi.
Gonzalez, R. C., & Woods, R. E. (2002). Digital Image
Processing (2nd Edition ed.). New Jersey: Prentice-Hall, Inc.
Jones, M. J., & Viola, P. (2003). Fast Multi-view Face
Detection.
Khang Ir. Bustam. (2002). Trik Pemrograman Aplikasi Berbasis
SMS. Jakarta. PT. Elex Media Komputindo.
Li, S. Z., & Jain, A. K. (2005). Handbook of Face
Recognition. New York: Springer Science+Business Media, Inc.
Marcus, T., and Widiadhi, J., 2006. Aplikasi SMS untuk Berbagai
Keperluan. Bandung: Informatika Bandung.
Pissarenko, D. (2002). Eigenface-based Facial Recognition. Pusat
Bahasa. (2008). In Kamus Besar Bahasa Indonesia. Jakarta: Gramedia
Pustaka Utama.
Sari, M., (2010). Penerapan Algoritma EigenFace Pada Sistem
Absensi Karyawan Berbasis Webcam
Seo, N. (2006). EigenFaces and FisherFaces.
Seo, N. (2008, 10 16). Tutorial: OpenCV haartraining (Rapid
Object Detection With A Cascade of Boosted Classifiers Based on
Haar-like Features). Retrieved 12 2011, from Naotoshi Seo:
http://note.sonots.com/SciSoftware/haartraining.html
Shakhnarovich, G., & Moghaddam, B. (2005). Face Recognition
in Subspaces. In S. Z. Li, & A. K. Jain, Handbook of Face
Recognition. New York: Springer Science+Business Media, Inc.
http://opensource.telkomspeedy.com/wiki/index.php/Gambaran_Sederhana_Cara_Kerja_e-mail
akses tanggal 05 Januari 2013